机器人装配及其他试错任务的最优决策
自动化长时程任务的重点研究领域是如何利用机械臂完成任务,本文提出了一种基于未来预测的成功或失败分类方法,通过端到端的方式确定行动计划能否完成给定任务,此方法同时利用了长时程的未来预测方法和过渡一致性正则化术语,通过分类和机器人操作实验验证了方法的有效性。
Apr, 2024
机器人在组件故障的情况下需要调整其行为,以便在降低能力的条件下实现仍然可达的目标。我们在马尔可夫决策过程(MDP)框架中提出了在提前已知易受故障的执行机构的情况下进行规划的问题。该模型捕捉了基于利用驱动的故障和状态 - 动作相关的执行机构故障概率,以便推理潜在损伤和降低未来控制的长期影响。这导致了与忽略故障的计划有质的差异的行为。随着执行机构的故障,可能会出现组合数目众多的配置。我们识别出通过重用来节省计算的机会,利用不同配置产生密切相关问题的观察结果。我们的结果展示了如何获得战略解决方案,使机器人在故障发生时能够做出响应,例如谨慎地安排利用率以保留关键的执行机构。
May, 2024
使用基于贝叶斯推断的模型方法来估计序列系统的失效轨迹,使用自动微分计算轨迹梯度并使用 Hamiltonian Monte Carlo 采样方法进行多模式捕捉和平滑处理,该方法在自主驾驶车辆、倒置摆控制系统和部分可观察月球着陆器实现,结果显示在样本效率和参数空间覆盖率方面比黑盒子基线方法有所改进,此方法已开放源代码。
May, 2023
通过基于贝叶斯高斯混合模型的两条途径的数据驱动模型,我们将自组织机器人网络的拓扑 (不可) 恢复性预测问题解决为一个二元分类问题,并成功地预测了典型问题的解决方案。
Oct, 2023
本文提出了一种方法,从原始图像观测中自动学习机器人技能,利用自主收集的经验,通过结合自监督算法对图像对准的学习和基于视频预测的控制器进行组合,能够使机器人从零开始,仅使用原始视觉输入就可以学习到复杂的行为,并进行成功的复杂操作,该方法在实验中表现出了很好的结果。
Oct, 2018
利用 Bayesian learning 的框架进行 runtime verification,以验证在不确定环境中执行的关键任务的自主机器人,将这些方法应用于水下基础设施的检查和维修的自主机器人任务的验证案例研究中。
Mar, 2023
此研究中,我们提出了一个结合对比预测技术和机器人 / 环境动力学模拟器的框架,用于调节警告系统,以可靠地提高机器人应用程序的安全性,并实现能够在较少的数据点下,保证误报率低于给定阈值的安全报警系统。
Sep, 2021
本文提出了一种分布式决策方法,用于制造任务分配和基于条件的机器健康维护,并基于马尔可夫决策过程设计决策代理,以处理决策过程中涉及的不确定性。通过数值案例研究,证明该方法具有灵活性和实用性,并可以用人工智能学习成本参数。
Jan, 2024
本文介绍了一个用于验证机器人安全和可靠性需求的概率模型检查框架,并使用两种新型估计器(基于保守贝叶斯推断和不精确概率模型)从实际操作数据中学习未知的转移参数。在极端环境下的无人潜水器实际部署数据上演示了该方法。
Dec, 2018
本文提出一种基于关注机制的多任务联合失败检测方法,该方法能够评估多个视觉感知任务在图像不同区域的预测准确率和失效率,利用监督式多任务不确定性估计及其对应的预测误差,实现更准确的预测误差估计。
Oct, 2021